如今的大型企業都在經歷著自工業化以來***的變革。人工智能顛覆了工業，顛覆了我們的工作、思考和互動的方式，Gartner的一項報告預測，到2020年，人工智能將創造230萬個就業崗位，以此同時也會減少180萬個人力崗位。機器學習是驅動人工智能發展的主要動力，這個領域的專家數量不多，各大企業都在爭搶高技能人才。

說到這里，你可能已經猜到猿哥今天要和大家分享的是一本有關人工智能的書，這本書只有152頁，非常簡短。名叫——《The Hundred-Page Machine Learning Book》

但麻雀雖小五臟俱全，這本書涵蓋了監督和非監督式學習，支持向量機，神經網絡，集成方法，梯度下降法，聚類分析和數據降維，自編碼和遷移學習，特征工程和超參數優化，數學知識、插圖等內容都包含在這本152頁的書籍里

具體的章節目錄如下：

• 前言
• 第 1 章：介紹
• ***部分：監督式學習
• 第二章：標記和定義
• 第三章：基礎算法
• 第四章：學習算法的解剖
• 第五章：基礎實戰
• 第六章：神經網絡與深度學習
• 第七章：問題與解決
• 第八章：進階實戰
• 第二部分：非監督式學習和其它學習
• 第九章：非監督式學習
• 第十章：其它形式學習
• 第十一章：結論

作者本著先閱讀后購買的原則，因此你可以先在在線免費閱讀/下載書籍，直到你認為它值得你購買的時候再購買。

這本書在線閱讀還有一個好處就是，在頁面的右側有網友評論，你可以通過網友評論發現本書錯誤或者不足的地方，從而避免被誤導，還能查看作者***的更新時間等

除此之外，作者還在GitHub上開源了本書配套的所有代碼

GitHub地址：https://github.com/aburkov/theMLbook

比如多元高斯分布(GaussianMixture Model GMM)這個內容，作者在書的9.2.4進行了詳細的講解：

再如第三章中的關于線性回歸算法的介紹：線性回歸算法是一種流行的回歸學習算法，學習的模型是利用數理統計中的回歸分析

其對應的Python代碼如下：

import numpy as np 
import matplotlib.pyplot as plt 
 
from sklearn.linear_model import Ridge 
from sklearn.preprocessing import PolynomialFeatures 
from sklearn.pipeline import make_pipeline 
 
import matplotlib 
matplotlib.rcParams['mathtext.fontset'] = 'stix' 
matplotlib.rcParams['font.family'] = 'STIXGeneral' 
matplotlib.rcParams.update({'font.size': 18}) 
 
def f(x): 
    """ function to approximate by polynomial interpolation""" 
    return 0.5 * x 
 
 
# generate points used to plot 
x_plot = np.linspace(-10, 10, 100) 
 
# generate points and keep a subset of them 
x = np.linspace(-10, 10, 100) 
rng = np.random.RandomState(0) 
rng.shuffle(x) 
x = np.sort(x[:10]) 
noize = [(-2 + np.random.random()*2) for i in range(len(x))] 
y = f(x) + noize 
 
# create matrix versions of these arrays 
X = x[:, np.newaxis] 
X_plot = x_plot[:, np.newaxis] 
 
colors = ['red', 'red']#, 'orange' 
lw = 2 
 
 
type_of_regression = ["linear regression", "regression of degree 10"] 
fit = ["fit", "overfit"] 
for count, degree in enumerate([1,10]):#, 2, 15 
    plt.figure(count) 
    axes = plt.gca() 
    axes.set_xlim([-10,10]) 
    axes.set_ylim([-10,10]) 
    plt.scatter(x, y, color='navy', s=30, marker='o', label="training examples") 
    plt.xticks([-10.0, -5.0, 0.0, 5.0, 10.0]) 
    plt.yticks([-10.0, -5.0, 0.0, 5.0, 10.0]) 
    model = make_pipeline(PolynomialFeatures(degree), Ridge()) 
    model.fit(X, y) 
    y_plot = model.predict(X_plot) 
    plt.plot(x_plot, y_plot, color=colors[count], linewidth=lw, 
             label=type_of_regression[count]) 
 
    plt.legend(loc='best') 
    fig1 = plt.gcf() 
    fig1.subplots_adjust(top = 0.98, bottom = 0.1, right = 0.98, left = 0.08, hspace = 0, wspace = 0) 
    fig1.savefig('../../Illustrations/linear-regression-' + fit[count] + '.eps', format='eps', dpi=1000, bbox_inches = 'tight', pad_inches = 0) 
    fig1.savefig('../../Illustrations/linear-regression-' + fit[count] + '.pdf', format='pdf', dpi=1000, bbox_inches = 'tight', pad_inches = 0) 
    fig1.savefig('../../Illustrations/linear-regression-' + fit[count] + '.png', dpi=1000, bbox_inches = 'tight', pad_inches = 0) 
 
 
plt.show() 

也就是說這本書里的插圖都附有源代碼，這些源代碼你都可以在GitHub上找到。

關于作者

[[267420]]

Andriy Burkov，是一名機器學習專家，早在九年前就已經取得了博士學位，他的專長是自然語言處理，在人工智能方面，過去的7年里，Andriy Burkov一直在Gartner帶領一個機器學習開發團隊。

***，附上本書的下載地址：http://themlbook.com/wiki/doku.php